Benötigte Packages öffnen

Einlesen des Datensatzes der eigenen Befragung

Es wird zunächst die Working Directory festgelegt und anschließend das CSV-File eingelesen.

Histogramm Zugangszeiten angegeben vs. ermittelt

NAs in den Variablen “nxste_zeit” und “test_nxste_zeit” werden für die Kategoriebildung kurzfristig auf “-90” gesetzt und anschließend folgende Klassen (“nxste_zeit_kat” und “test_nxste_zeit_kat”) gebildet.

Klassen: 1…-90, 2…0 min, 3… 1-5 min, 4… 6-15 min, 5… 16-30 min, 6… 31-60 min, 7… 61-120 min, 8… 120-180 min, 9…>180 min)

Es wird eine Häufigkeitstabelle ausgegeben. Anschließend wird das Histogramm gebildet.

Datenaufbereitung

Die zuvor auf “-90” geänderten Werte wieder auf “NA” gesetzt.

Es werden nun die Zugangszeiten in einem Liniendiagramm dargestellt, um Unterschiede zwischen den ermittelten und angegebenen Zugangszeiten feststellen zu können.

Nun werden die Zu- und Abgangszeiten getrennt betrachtet und ebenfalls als Linien dargestellt. Zunächst werden die Häufigkeiten pro Minute betrachtet.

Nun werden kumulierten Häufigkeiten betrachtet.

Klassifizieren der Daten

Die Klassifizierung ist für die statistische Auswertung erforderlich.

Übereinstimmung der Zugangszeiten

Um die Übereinstimmung der Zugangszeiten feststellen zu können, wird einerseits ein sogenannter Übereinstimmungsfaktor eingeführt, andererseits werden die Zuganszeiten in einem Punktdiagramm dargestellt.

Übereinstimmungfaktor

Für Vergleiche zwischen den Zugangszeiten der beiden Datensätze wird ein sogenannter Übereinstimmungsfaktor eingeführt. Dabei wird die bei der Befragung angegebene Zu- bzw. Abgangszeit durch die im Nachhinein ermittelte Zu- bzw. Abgangszeit dividiert. Ein Übereinstimmungsfaktor zwischen 0 und kleiner 1 bedeutet, dass die der Befragung angegebene kürzer ist als die ermittelte Zu- oder Abgangszeit, es wird die Zu- bzw. Abgangszeit also unterschätzt. Ein Übereinstimmungsfaktor von genau 1 bedeutet, dass die Zugangszeiten ident sind und alle Werte größer 1 bedeuten, dass die in der Befragung angegebene Zu- oder Abgangszeit größer ist als die ermittelte Zu- oder Abgangszeit, es handelt sich also um eine Überschätzung der Zu- bzw. Abgangswerte. Jene Werte können zwischen > 1 und unendlich liegen. Da aufgrund dieser Asymmetrie direkte Vergleiche kaum möglich sind, wird in den Diagrammen eine logarithmische Skala herangezogen. Der Übereinstimmungsfaktor ist folgendermaßen zu interpretieren:

  • Übereinstimmungsfaktor < 1: bei Befragung angegeben < Zu- bzw. Abgangszeit ermittelt (Unterschätzen der Zu- bzw. Abgangszeit)
  • Übereinstimmungsfaktor = 1: Zugangszeiten sind ident
  • Übereinstimmungsfaktor > 1: bei Befragung angegeben > Zu- bzw. Abgangszeit ermittelt (Überschätzen der Zu- bzw. Abgangszeit)

Zusätzlich zu dem Übereinstimmungsfaktor wird der logarithmierte Übereinstimmungsfaktor angegeben (lg10 (Zu- bzw. Abgangszeit angegeben/Zu- bzw. Abgangszeit ermittelt)). Dieser ist folgendermaßen zu interpretieren:

  • Übereinstimmungsfaktor < 0: bei Befragung angegeben < Zu- bzw. Abgangszeit ermittelt (Unterschätzen der Zu- bzw. Abgangszeit)
  • Übereinstimmungsfaktor = 0: Zugangszeiten sind ident
  • Übereinstimmungsfaktor > 0: bei Befragung angegeben > Zu- bzw. Abgangszeit ermittelt (Überschätzen der Zu- bzw. Abgangszeit)

Tabelle erzeugen (Interpretation des Übereinstimmungsfaktors)

Übereinstimmungsfaktor Zu- bzw. Abgangszeit Interpretation
2 < 1 (< 0 bei lg) angegeben < ermittelt Unterschätzen der Zu- bzw. Abgangszeit
3 = 1 (= 0 bei lg) angegeben = ermittelt Idente Zu- bzw. Abgangszeit
4 > 1 (> 0 bei lg) angegeben > ermittelt Überschätzen der Zu- bzw. Abgangszeit

Berechnen des Übereinstimmungsfaktors

Zusätzlich wird der Übereinstimmungsfaktor in fünf Klassen eingeteilt, die die Kenntnis, also den Grad der Übereinstimmung beschreiben. Dazu wird der nicht logarithmisierte Übereinstimmungfaktor herangezogen. Es ergeben sich folgende Klassen:

  1. sehr gute Kenntnis: 0,90 ≤ gleich_entf_fakt < 1,12
  2. gute Kenntnis: 0,70 ≤ gleich_entf_fakt < 0,90 und 1,12 ≤ gleich_entf_fakt < 1,43
  3. mäßige Kenntnis: 0,50 ≤ gleich_entf_fakt < 0,70 und 1,43 ≤ gleich_entf_fakt < 2,01
  4. schlechte Kenntnis: 0,30 ≤ gleich_entf_fakt < 0,50 und 2,01 ≤ gleich_entf_fakt < 3,31
  5. sehr schlechte Kenntnis: gleich_entf_fakt < 0,30 und gleich_entf_fakt ≥ 3,31

Punktdiagramm

Auf der x-Achse befindet sich die bei der Befragung angegebene Zu- bzw. Abgangszeit, auf der y-Achse die im Anschluss ermittelte Zu- bzw. Abgangszeit. Der Übereinstimmungsgrad (Kenntnis) ist in den zuvor eingeführten Kategorien farblich dargestellt. Zusätzlich wird eine durch den Ursprung gehende Regressionsgerade hinzugefügt und die Formel der Regressionsgerade angeführt.

Punktdiagramm: Teilbereich von 15 min

Nun wird der Teilbereich von Zugangszeiten bis 15 min dargestellt. Die Punktansammlungen ergeben sich aufgrund der gewählten Darstellung des Punktdiagramms. Je dünkler ein Bereich, umso mehr Werte befinden sich dort.

Punktdiagramm: Teilbereich von 5 min

Nun wird der Teilbereich von Zugangszeiten bis 15 min dargestellt. Die Punktansammlungen ergeben sich aufgrund der gewählten Darstellung des Punktdiagramms. Je quadratischer und dünkler ein Bereich, umso mehr Werte befinden sich dort.

Untersuchen möglicher Einflussfaktoren auf den Kenntnisstand

In weiterer Folge mittels Hypothesentests geprüft, ob verschiedene Variablen einen Einfluss auf den Übereinstimmungsfaktor haben. Dies wird zudem mittels Boxplots graphisch abgebildet, bei denen die Gruppen der untersuchten Variablen sowie die Summe dieser Gruppen einander gegenüber gestellt werden.

Vorgehensweise bei den Hypothesentests

  1. Bilden von Subsets für jede Gruppe einer Variable
  2. Bilden von je einem Histogramm je Gruppe, um die Normalverteilung zu prüfen
  3. Testen der Varianzhomogenität mittels Levene-Test
  4. Bei Normalverteilung und Varianzhomogenität: ANOVA
    • Durchführen der ANOVA mittels “aov()”-Funktion
    • Anzeigen der Ergebnisse der ANOVA mittels “summary()”
  5. Bei Normalverteilung und Varianzheterogenität: Welch-Test
    • Bei 2 Gruppen innerhalb einer Variable: Welch-Test mittels “t.test()”-Funktion
    • Bei > 2 Gruppen innerhalb einer Variable: Welch’s ANOVA mittels “oneway.test()”-Funktion.
  6. Post-hoc-Tests:
    • Bei ANOVA: Paarweiser Vergleich der Ergebnisse der ANOVA mittels “pairwise.t.test()”. Ergebnis ist eine t-Test-Signifikanztabelle. Ist der p-Wert <0,05, so ist die Nullhypothese, dass die beiden verglichenen Gruppen ähnlich sind, zu verwerfen. Es sind zwei Methoden zur Anpassung des p-Werts empfehlenswert: Bonferroni ist am konservativsten, Holm ist auch ok.
    • Bei ANOVA: Histogramm der standardisierten Residuen zur Prüfung der Normalverteilung mittels “hist(rstandard())”-Funktion
    • Bei ANOVA: Q-Q-Plot, um ebenfalls die Normalverteilung zu prüfen
    • Bei Welch’s Test bzw. Welch’s ANOVA: games_howell_test

Beschriftung der y-Achse

Unabhängige Variable: Standort

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   2  0.0526 0.9488
##       224
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value  Pr(>F)   
## stand         2   1.73  0.8664   5.611 0.00419 **
## Residuals   224  34.59  0.1544                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$stand 
## 
##   1      2     
## 2 0.5510 -     
## 3 0.0032 0.1398
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 3 x 2
##   stand  name
##   <fct> <dbl>
## 1 1     0.477
## 2 2     0.398
## 3 3     0.222
## [1] 2.333333
## # A tibble: 3 x 2
##   stand  name
##   <fct> <dbl>
## 1 1      3   
## 2 2      2.5 
## 3 3      1.67

Unabhängige Variable: Zu-/Abgangsweg

1 … Zugangsweg, 2 … Abgangsweg

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  1.3441 0.2475
##       225
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)  
## zuab          1   0.66  0.6593    4.16 0.0426 *
## Residuals   225  35.66  0.1585                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$zuab 
## 
##   1    
## 2 0.043
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   zuab   name
##   <fct> <dbl>
## 1 1     0.301
## 2 2     0.398
## [1] 2.333333
## # A tibble: 2 x 2
##   zuab   name
##   <fct> <dbl>
## 1 1       2  
## 2 2       2.5

Unabhängige Variable: Ausgangszweck

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   9  1.4583  0.165
##       217
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value   Pr(>F)    
## zweck_ausg    9   4.43  0.4922   3.349 0.000735 ***
## Residuals   217  31.89  0.1470                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$zweck_ausg 
## 
##    1 2 3 4 5 6 7 8 9
## 2  - - - - - - - - -
## 3  - - - - - - - - -
## 4  - - - - - - - - -
## 5  - - - - - - - - -
## 6  - - - - - - - - -
## 7  - - - - - - - - -
## 8  - - - - - - - - -
## 9  - - - - - - - - -
## 10 - - - - - - - - -
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 10 x 2
##    zweck_ausg  name
##    <fct>      <dbl>
##  1 1          0.301
##  2 2          0.438
##  3 3          0    
##  4 4          0.222
##  5 5          0.398
##  6 6          0.438
##  7 7          0.398
##  8 8          0.611
##  9 9          0.398
## 10 10         0.477
## [1] 2.333333
## # A tibble: 10 x 2
##    zweck_ausg  name
##    <fct>      <dbl>
##  1 1           2   
##  2 2           2.75
##  3 3           1   
##  4 4           1.67
##  5 5           2.5 
##  6 6           2.75
##  7 7           2.5 
##  8 8           4.17
##  9 9           2.5 
## 10 10          3

Unabhängige Variable: Zielzweck

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   9  0.8472 0.5734
##       217
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## zweck_ziel    9   1.75  0.1942   1.219  0.284
## Residuals   217  34.57  0.1593               
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$zweck_ziel 
## 
##    1 2 3 4 5 6 7 8 9
## 2  - - - - - - - - -
## 3  - - - - - - - - -
## 4  - - - - - - - - -
## 5  - - - - - - - - -
## 6  - - - - - - - - -
## 7  - - - - - - - - -
## 8  - - - - - - - - -
## 9  - - - - - - - - -
## 10 - - - - - - - - -
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 10 x 2
##    zweck_ziel  name
##    <fct>      <dbl>
##  1 1          0.301
##  2 2          0.398
##  3 3          0.383
##  4 4          0.398
##  5 5          0.222
##  6 6          0.398
##  7 7          0.301
##  8 8          0.699
##  9 9          0.301
## 10 10         0.301
## [1] 2.333333
## # A tibble: 10 x 2
##    zweck_ziel  name
##    <fct>      <dbl>
##  1 1           2   
##  2 2           2.5 
##  3 3           2.42
##  4 4           2.5 
##  5 5           1.67
##  6 6           2.5 
##  7 7           2   
##  8 8           5   
##  9 9           2   
## 10 10          2

Unabhängige Variable: Routineweg

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  0.8126 0.3683
##       225
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value   Pr(>F)    
## weg_routine   1   1.80  1.7972   11.71 0.000737 ***
## Residuals   225  34.52  0.1534                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$weg_routine 
## 
##   0      
## 1 0.00074
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   weg_routine  name
##   <fct>       <dbl>
## 1 0           0.477
## 2 1           0.301
## [1] 2.333333
## # A tibble: 2 x 2
##   weg_routine  name
##   <fct>       <dbl>
## 1 0               3
## 2 1               2

Unabhängige Variable: Nutzung des ÖV-Angebotes Befragungsstandort in den letzten 7 Tagen

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   3  1.9528  0.122
##       223
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value   Pr(>F)    
## hst_nutz      3   2.65  0.8843   5.857 0.000723 ***
## Residuals   223  33.67  0.1510                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$hst_nutz 
## 
##   0       1       2      
## 1 0.74347 -       -      
## 2 1.00000 0.05504 -      
## 3 1.00000 0.00027 1.00000
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 4 x 2
##   hst_nutz  name
##   <ord>    <dbl>
## 1 0        0.301
## 2 1        0.500
## 3 2        0.349
## 4 3        0.261
## [1] 2.333333
## # A tibble: 4 x 2
##   hst_nutz  name
##   <ord>    <dbl>
## 1 0         2   
## 2 1         3.17
## 3 2         2.25
## 4 3         1.83

Unabhängige Variable: Nutzung des ÖV-Angebotes der vermeintlich nächstgelegenen Haltestelle in den letzten 7 Tagen

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value  Pr(>F)  
## group   3  3.1979 0.02426 *
##       223                  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Hypothesentests
## 
##  One-way analysis of means (not assuming equal variances)
## 
## data:  gleich_entf_fakt_lg and nxste_nutz
## F = 5.2556, num df = 3.0, denom df = 100.1, p-value = 0.002078
  1. Post-hoc-Tests
## # A tibble: 6 x 8
##   .y.             group1 group2 estimate conf.low conf.high   p.adj p.adj.signif
## * <chr>           <chr>  <chr>     <dbl>    <dbl>     <dbl>   <dbl> <chr>       
## 1 gleich_entf_fa~ 0      1        0.315    0.106     0.524  0.00095 ***         
## 2 gleich_entf_fa~ 0      2        0.0520  -0.122     0.226  0.861   ns          
## 3 gleich_entf_fa~ 0      3        0.0782  -0.0820    0.238  0.585   ns          
## 4 gleich_entf_fa~ 1      2       -0.263   -0.486    -0.0400 0.014   *           
## 5 gleich_entf_fa~ 1      3       -0.237   -0.450    -0.0235 0.024   *           
## 6 gleich_entf_fa~ 2      3        0.0262  -0.153     0.206  0.981   ns

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 4 x 2
##   nxste_nutz  name
##   <fct>      <dbl>
## 1 0          0.301
## 2 1          0.523
## 3 2          0.301
## 4 3          0.335
## [1] 2.333333
## # A tibble: 4 x 2
##   nxste_nutz  name
##   <fct>      <dbl>
## 1 0           2   
## 2 1           3.33
## 3 2           2   
## 4 3           2.17

Unabhängige Variable: Nutzung des ÖV-Angebotes der nicht gewählten angegebenen nächstgelegenen Haltestelle in den letzten 7 Tagen

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##       Df F value Pr(>F)
## group  3  2.0027  0.121
##       74
  1. Hypothesentests
##             Df Sum Sq Mean Sq F value Pr(>F)
## nxste_nutz   3  0.275 0.09166   0.751  0.525
## Residuals   74  9.036 0.12211               
## 6 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  hst_nxste_nein$gleich_entf_fakt_lg and hst_nxste_nein$nxste_nutz 
## 
##   0    1    2   
## 1 0.97 -    -   
## 2 1.00 1.00 -   
## 3 1.00 1.00 1.00
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.2218487
## # A tibble: 4 x 2
##   nxste_nutz   name
##   <fct>       <dbl>
## 1 0          0.301 
## 2 1          0.0669
## 3 2          0.222 
## 4 3          0
## [1] 1.666667
## # A tibble: 4 x 2
##   nxste_nutz  name
##   <fct>      <dbl>
## 1 0           2   
## 2 1           1.17
## 3 2           1.67
## 4 3           1

Unabhängige Variable: Nutzung des ÖV-Angebotes der nicht gewählten angegebenen nächstgelegenen Haltestelle in den letzten 7 Tagen

Aufgrund der geringen Anzahl an Beobachtungen in den Kategorien “1 Mal” bis “an 4+ Tagen”, werden die Kategorien zu 2 Nutzungskategorien zusammengefasst (Nutzung Nein und Ja):

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##       Df F value Pr(>F)
## group  1  1.2069 0.2754
##       76
  1. Hypothesentests
##                Df Sum Sq Mean Sq F value Pr(>F)
## nxste_nutz_neu  1  0.173  0.1725   1.435  0.235
## Residuals      76  9.139  0.1202               
## 6 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  hst_nxste_nein$gleich_entf_fakt_lg and hst_nxste_nein$nxste_nutz_neu 
## 
##   0   
## 1 0.23
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.2218487
## # A tibble: 2 x 2
##   nxste_nutz_neu   name
##            <dbl>  <dbl>
## 1              0 0.301 
## 2              1 0.0959
## [1] 1.666667
## # A tibble: 2 x 2
##   nxste_nutz_neu  name
##            <dbl> <dbl>
## 1              0  2   
## 2              1  1.25

Unabhänigige Variable: Nächste Haltestelle gewählt (laut Befragung)?

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  2.3777 0.1245
##       225
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value   Pr(>F)    
## hst_nxste     1   2.21  2.2090   14.57 0.000175 ***
## Residuals   225  34.11  0.1516                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$hst_nxste 
## 
##   0      
## 1 0.00017
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   hst_nxste  name
##   <fct>     <dbl>
## 1 0         0.222
## 2 1         0.398
## [1] 2.333333
## # A tibble: 2 x 2
##   hst_nxste  name
##   <fct>     <dbl>
## 1 0          1.67
## 2 1          2.5

Unabhänigige Variable: Nächste Haltestelle gewählt (laut Ermittlung)?

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value    Pr(>F)    
## group   1  17.758 3.632e-05 ***
##       225                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Hypothesentests
## 
##  Welch Two Sample t-test
## 
## data:  gleich_entf_fakt_lg by test_hst_nxste
## t = 9.2614, df = 167.53, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  0.3207924 0.4946086
## sample estimates:
## mean in group 0 mean in group 1 
##      0.48482287      0.07712237
  1. Post-hoc-Tests
## # A tibble: 1 x 8
##   .y.            group1 group2 estimate conf.low conf.high    p.adj p.adj.signif
## * <chr>          <chr>  <chr>     <dbl>    <dbl>     <dbl>    <dbl> <chr>       
## 1 gleich_entf_f~ 0      1        -0.408   -0.495    -0.321 1.11e-14 ****

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   test_hst_nxste  name
##   <fct>          <dbl>
## 1 0              0.477
## 2 1              0
## [1] 2.333333
## # A tibble: 2 x 2
##   test_hst_nxste  name
##   <fct>          <dbl>
## 1 0                  3
## 2 1                  1

Unabhängige Variable: Zufriedenheit mit dem ÖV-Angebot an der nächstgelegenen Haltestelle

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##       Df F value Pr(>F)
## group  5  0.2283  0.949
##       71
  1. Hypothesentests
##             Df Sum Sq Mean Sq F value Pr(>F)
## nxste_zufr   5  0.368 0.07354   0.584  0.712
## Residuals   71  8.943 0.12596               
## 162 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$nxste_zufr 
## 
##   0 1 2 3 4
## 1 1 - - - -
## 2 1 1 - - -
## 3 1 1 1 - -
## 4 1 1 1 1 -
## 5 1 1 1 1 1
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.2218487
## # A tibble: 6 x 2
##   nxste_zufr   name
##   <fct>       <dbl>
## 1 0          0.398 
## 2 1          0.0625
## 3 2          0.0353
## 4 3          0.204 
## 5 4          0.222 
## 6 5          0.176
## [1] 1.666667
## # A tibble: 6 x 2
##   nxste_zufr  name
##   <fct>      <dbl>
## 1 0           2.5 
## 2 1           1.17
## 3 2           1.09
## 4 3           1.6 
## 5 4           1.67
## 6 5           1.5

Da in den einzelnen Gruppen wenige Beobachtungen sind, werden 5+1 Klassen zu 3+1 Klasse zusammengefasst:

  • Weiß nicht (0) = “Weiß nicht” (0)
  • Unzufrieden (1) = “Sehr unzufrieden” (1) + “Eher unzufrieden” (2)
  • Neutral (2) = “Neutral” (3)
  • Zufrieden (3) = “Sehr zufrieden” (5) + “Eher zufrieden” (4)

Nun werden die Hypothesentests und die Boxplots für die zusammengefasste Zufriedenheitsvariable durchgeführt:

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##       Df F value Pr(>F)
## group  3  0.0368 0.9905
##       73
  1. Hypothesentests
##                Df Sum Sq Mean Sq F value Pr(>F)
## nxste_zufr_neu  1  0.093 0.09289   0.756  0.387
## Residuals      75  9.218 0.12291               
## 162 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$nxste_zufr_neu 
## 
##   0 1 2
## 1 1 - -
## 2 1 1 -
## 3 1 1 1
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.2218487
## # A tibble: 4 x 2
##   nxste_zufr_neu   name
##            <dbl>  <dbl>
## 1              0 0.398 
## 2              1 0.0353
## 3              2 0.204 
## 4              3 0.222
## [1] 1.666667
## # A tibble: 4 x 2
##   nxste_zufr_neu  name
##            <dbl> <dbl>
## 1              0  2.5 
## 2              1  1.09
## 3              2  1.6 
## 4              3  1.67

Unabhänigige Variable: Kürzesten Weg gewählt (laut Befragung)?

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value   Pr(>F)    
## group   1  15.181 0.000129 ***
##       224                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Hypothesentests
## 
##  Welch Two Sample t-test
## 
## data:  gleich_entf_fakt_lg by weg_kurz
## t = 1.462, df = 26.322, p-value = 0.1556
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.07226337  0.42902736
## sample estimates:
## mean in group 0 mean in group 1 
##       0.5338137       0.3554317
  1. Post-hoc-Tests
## # A tibble: 1 x 8
##   .y.               group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr>             <chr>  <chr>     <dbl>    <dbl>     <dbl> <dbl> <chr>       
## 1 gleich_entf_fakt~ 0      1        -0.178   -0.429    0.0723 0.156 ns

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   weg_kurz  name
##   <fct>    <dbl>
## 1 0        0.544
## 2 1        0.301
## [1] 2.333333
## # A tibble: 2 x 2
##   weg_kurz  name
##   <fct>    <dbl>
## 1 0          3.5
## 2 1          2

Unabhänigige Variable: Kürzesten Weg gewählt (laut Ermittlung)?

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value   Pr(>F)   
## group   1  6.9468 0.008984 **
##       224                    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Hypothesentests
## 
##  Welch Two Sample t-test
## 
## data:  gleich_entf_fakt_lg by test_kurz_weg
## t = 0.6462, df = 75.277, p-value = 0.5201
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -0.09622829  0.18863997
## sample estimates:
## mean in group 0 mean in group 1 
##       0.4101253       0.3639195
  1. Post-hoc-Tests
## # A tibble: 1 x 8
##   .y.               group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr>             <chr>  <chr>     <dbl>    <dbl>     <dbl> <dbl> <chr>       
## 1 gleich_entf_fakt~ 0      1       -0.0462   -0.189    0.0962  0.52 ns

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   test_kurz_weg  name
##   <fct>         <dbl>
## 1 0             0.398
## 2 1             0.301
## [1] 2.333333
## # A tibble: 2 x 2
##   test_kurz_weg  name
##   <fct>         <dbl>
## 1 0               2.5
## 2 1               2

Unabhängige Variable: Attraktivität des Zu- bzw. Abgangsweges

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value  Pr(>F)  
## group   4  2.6549 0.03396 *
##       219                  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Hypothesentests
## 
##  One-way analysis of means (not assuming equal variances)
## 
## data:  gleich_entf_fakt_lg and weg_attrak
## F = 0.76532, num df = 4.000, denom df = 14.701, p-value = 0.5644
  1. Post-hoc-Tests
## # A tibble: 10 x 8
##    .y.              group1 group2 estimate conf.low conf.high p.adj p.adj.signif
##  * <chr>            <chr>  <chr>     <dbl>    <dbl>     <dbl> <dbl> <chr>       
##  1 gleich_entf_fak~ 1      2       0.176     -0.352     0.704 0.782 ns          
##  2 gleich_entf_fak~ 1      3       0.195     -0.388     0.777 0.521 ns          
##  3 gleich_entf_fak~ 1      4       0.153     -0.478     0.785 0.66  ns          
##  4 gleich_entf_fak~ 1      5       0.201     -0.333     0.735 0.525 ns          
##  5 gleich_entf_fak~ 2      3       0.0182    -0.375     0.411 1     ns          
##  6 gleich_entf_fak~ 2      4      -0.0232    -0.411     0.364 1     ns          
##  7 gleich_entf_fak~ 2      5       0.0245    -0.380     0.429 1     ns          
##  8 gleich_entf_fak~ 3      4      -0.0413    -0.215     0.132 0.964 ns          
##  9 gleich_entf_fak~ 3      5       0.00633   -0.217     0.230 1     ns          
## 10 gleich_entf_fak~ 4      5       0.0477    -0.159     0.255 0.968 ns

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 5 x 2
##   weg_attrak  name
##   <ord>      <dbl>
## 1 1          0.301
## 2 2          0.383
## 3 3          0.398
## 4 4          0.301
## 5 5          0.349
## [1] 2.333333
## # A tibble: 5 x 2
##   weg_attrak  name
##   <ord>      <dbl>
## 1 1           2   
## 2 2           2.54
## 3 3           2.5 
## 4 4           2   
## 5 5           2.25

Da in den einzelnen Gruppen wenige Beobachtungen sind, werden 5 Klassen zu 3 Klassen zusammengefasst:

  • Unattraktiv (1) = “Sehr unattraktiv” (1) + “Eher unattraktiv” (2)
  • Neutral (2) = “Neutral” (3)
  • Zufrieden (3) = “Sehr attraktiv” (5) + “Eher attraktiv” (4)

Nun werden die Hypothesentests und die Boxplots für die zusammengefasste Zufriedenheitsvariable durchgeführt:

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   2  0.9824  0.376
##       221
  1. Hypothesentests
##                 Df Sum Sq Mean Sq F value Pr(>F)
## weg_attrak_neu   1   0.00 0.00004       0  0.987
## Residuals      222  36.27 0.16340               
## 15 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$weg_attrak_neu 
## 
##   1 2
## 2 1 -
## 3 1 1
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 3 x 2
##   weg_attrak_neu  name
##            <dbl> <dbl>
## 1              1 0.301
## 2              2 0.398
## 3              3 0.301
## [1] 2.333333
## # A tibble: 3 x 2
##   weg_attrak_neu  name
##            <dbl> <dbl>
## 1              1   2  
## 2              2   2.5
## 3              3   2

Unabhängige Variable: Alterskategorie

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   7  0.3235 0.9428
##       214
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value  Pr(>F)   
## p_alter_kat   7  3.344  0.4777   3.304 0.00233 **
## Residuals   214 30.941  0.1446                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 17 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_alter_kat 
## 
##   1      2      3      4      5      6      7     
## 2 1.0000 -      -      -      -      -      -     
## 3 1.0000 1.0000 -      -      -      -      -     
## 4 0.1520 1.0000 1.0000 -      -      -      -     
## 5 1.0000 1.0000 1.0000 1.0000 -      -      -     
## 6 1.0000 1.0000 1.0000 1.0000 1.0000 -      -     
## 7 0.0016 0.2609 1.0000 1.0000 1.0000 0.1759 -     
## 8 0.0199 1.0000 1.0000 1.0000 1.0000 1.0000 1.0000
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 8 x 2
##   p_alter_kat  name
##   <ord>       <dbl>
## 1 1           0    
## 2 2           0.349
## 3 3           0.310
## 4 4           0.383
## 5 5           0.301
## 6 6           0.301
## 7 7           0.500
## 8 8           0.398
## [1] 2.333333
## # A tibble: 8 x 2
##   p_alter_kat  name
##   <ord>       <dbl>
## 1 1            1   
## 2 2            2.25
## 3 3            2.08
## 4 4            2.42
## 5 5            2   
## 6 6            2   
## 7 7            3.17
## 8 8            2.5

Unabhängige Variable: Geschlecht

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  0.0055 0.9407
##       225
  1. Hypothesentests
##               Df Sum Sq Mean Sq F value Pr(>F)
## p_geschlecht   1   0.00 0.00407   0.025  0.874
## Residuals    225  36.32 0.16140               
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_geschlecht 
## 
##   1   
## 2 0.87
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   p_geschlecht  name
##   <fct>        <dbl>
## 1 1            0.398
## 2 2            0.335
## [1] 2.333333
## # A tibble: 2 x 2
##   p_geschlecht  name
##   <fct>        <dbl>
## 1 1             2.5 
## 2 2             2.17

Unabhängige Variable: Höchste abgeschlossene Ausbildung

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   4  0.1891 0.9439
##       219
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)  
## p_bildung     4   2.01  0.5031   3.224 0.0135 *
## Residuals   219  34.18  0.1561                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 15 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_bildung 
## 
##   1      2      3      4     
## 2 0.3094 -      -      -     
## 3 0.0754 1.0000 -      -     
## 4 0.0871 1.0000 1.0000 -     
## 5 0.0082 1.0000 1.0000 1.0000
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 5 x 2
##   p_bildung  name
##   <ord>     <dbl>
## 1 1         0    
## 2 2         0.398
## 3 3         0.398
## 4 4         0.335
## 5 5         0.477
## [1] 2.333333
## # A tibble: 5 x 2
##   p_bildung  name
##   <ord>     <dbl>
## 1 1          1   
## 2 2          2.5 
## 3 3          2.5 
## 4 4          2.17
## 5 5          3

Unabhängige Variable: Derzeitige Beschäftigung

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   3  0.0979 0.9611
##       223
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value   Pr(>F)    
## p_beruf       3   2.56  0.8548   5.647 0.000954 ***
## Residuals   223  33.76  0.1514                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_beruf 
## 
##   1      2      3     
## 2 0.0166 -      -     
## 3 0.0458 1.0000 -     
## 4 0.0086 0.4148 0.7654
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 4 x 2
##   p_beruf  name
##   <fct>   <dbl>
## 1 1       0.176
## 2 2       0.398
## 3 3       0.398
## 4 4       0.602
## [1] 2.333333
## # A tibble: 4 x 2
##   p_beruf  name
##   <fct>   <dbl>
## 1 1         1.5
## 2 2         2.5
## 3 3         2.5
## 4 4         4

Unabhängige Variable: Führerscheinbesitz PKW

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  0.9066  0.342
##       223
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value  Pr(>F)   
## p_fs_B        1   1.32  1.3247   8.448 0.00402 **
## Residuals   223  34.97  0.1568                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 14 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_fs_B 
## 
##   0    
## 1 0.004
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   p_fs_B  name
##   <fct>  <dbl>
## 1 0      0.222
## 2 1      0.477
## [1] 2.333333
## # A tibble: 2 x 2
##   p_fs_B  name
##   <fct>  <dbl>
## 1 0       1.67
## 2 1       3

Unabhängige Variable: Führerscheinbesitz Moped/Motorrad

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  0.0267 0.8703
##       223
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## p_fs_A        1   0.01 0.00745   0.046  0.831
## Residuals   223  36.29 0.16273               
## 14 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_fs_A 
## 
##   0   
## 1 0.83
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   p_fs_A  name
##   <fct>  <dbl>
## 1 0      0.368
## 2 1      0.383
## [1] 2.333333
## # A tibble: 2 x 2
##   p_fs_A  name
##   <fct>  <dbl>
## 1 0       2.33
## 2 1       2.42

Unabhängige Variable: Führerscheinbesitz LKW

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value  Pr(>F)  
## group   1  4.7276 0.03073 *
##       223                  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Hypothesentests
## 
##  Welch Two Sample t-test
## 
## data:  gleich_entf_fakt_lg by p_fs_C
## t = -0.37682, df = 3.0314, p-value = 0.7311
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -1.310047  1.031204
## sample estimates:
## mean in group 0 mean in group 1 
##       0.3733671       0.5127881
  1. Post-hoc-Tests
## # A tibble: 1 x 8
##   .y.               group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr>             <chr>  <chr>     <dbl>    <dbl>     <dbl> <dbl> <chr>       
## 1 gleich_entf_fakt~ 0      1         0.139    -1.03      1.31 0.731 ns

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Unabhängige Variable: Fahrzeugverfügbarkeit Fahrrad

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1       0  0.996
##       221
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## p_fzg_rad     1   0.31  0.3078   1.932  0.166
## Residuals   221  35.20  0.1593               
## 16 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_fzg_rad 
## 
##   0   
## 1 0.17
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   p_fzg_rad  name
##   <fct>     <dbl>
## 1 0         0.438
## 2 1         0.301
## [1] 2.333333
## # A tibble: 2 x 2
##   p_fzg_rad  name
##   <fct>     <dbl>
## 1 0          2.75
## 2 1          2

Unabhängige Variable: Fahrzeugverfügbarkeit E-Bike

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  0.0247 0.8753
##       221
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## p_fzg_ebike   1   0.16  0.1619   1.012  0.315
## Residuals   221  35.35  0.1599               
## 16 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_fzg_ebike 
## 
##   0   
## 1 0.32
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   p_fzg_ebike   name
##   <fct>        <dbl>
## 1 0           0.383 
## 2 1           0.0706
## [1] 2.333333
## # A tibble: 2 x 2
##   p_fzg_ebike  name
##   <fct>       <dbl>
## 1 0            2.42
## 2 1            1.18

Unabhängige Variable: Fahrzeugverfügbarkeit Moped/Motorrad

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1    0.23  0.632
##       221
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## p_fzg_mrad    1   0.15  0.1547   0.967  0.326
## Residuals   221  35.35  0.1600               
## 16 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_fzg_mrad 
## 
##   0   
## 1 0.33
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   p_fzg_mrad  name
##   <fct>      <dbl>
## 1 0          0.398
## 2 1          0.102
## [1] 2.333333
## # A tibble: 2 x 2
##   p_fzg_mrad  name
##   <fct>      <dbl>
## 1 0            2.5
## 2 1            1.3

Unabhängige Variable: Fahrzeugverfügbarkeit PKW

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   2   1.607 0.2028
##       220
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## p_fzg_pkw     2   0.33  0.1635   1.023  0.361
## Residuals   220  35.18  0.1599               
## 16 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_fzg_pkw 
## 
##   0    1   
## 1 0.46 -   
## 2 1.00 0.65
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 3 x 2
##   p_fzg_pkw  name
##   <fct>     <dbl>
## 1 0         0.301
## 2 1         0.533
## 3 2         0.398
## [1] 2.333333
## # A tibble: 3 x 2
##   p_fzg_pkw  name
##   <fct>     <dbl>
## 1 0          2   
## 2 1          3.42
## 3 2          2.5

Unabhängige Variable: ÖV-Zeitkarten (Wochen-/Monats-/Jahreskarte/Top-Jugendticket/Jugendticket, etc.)

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  2.1149 0.1473
##       223
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## p_zeitkarte   1   0.00 0.00251   0.015  0.901
## Residuals   223  36.29 0.16275               
## 14 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_zeitkarte 
## 
##   0  
## 1 0.9
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   p_zeitkarte  name
##   <fct>       <dbl>
## 1 0           0.349
## 2 1           0.368
## [1] 2.333333
## # A tibble: 2 x 2
##   p_zeitkarte  name
##   <fct>       <dbl>
## 1 0            2.25
## 2 1            2.33

Unabhängige Variable: ÖV-Ermäßigungskarte

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  0.0011 0.9736
##       223
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## p_ermkarte    1   0.32  0.3164   1.961  0.163
## Residuals   223  35.98  0.1613               
## 14 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_ermkarte 
## 
##   0   
## 1 0.16
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   p_ermkarte  name
##   <fct>      <dbl>
## 1 0          0.301
## 2 1          0.398
## [1] 2.333333
## # A tibble: 2 x 2
##   p_ermkarte  name
##   <fct>      <dbl>
## 1 0            2  
## 2 1            2.5

Unabhängige Variable: Verwendung von Navigationssystemen für ÖV und Zu- und Abgangswege

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   3  0.8001  0.495
##       220
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## p_navi        3   0.15  0.0493     0.3  0.825
## Residuals   220  36.13  0.1642               
## 15 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$p_navi 
## 
##   0 1 2
## 1 1 - -
## 2 1 1 -
## 3 1 1 1
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 4 x 2
##   p_navi  name
##   <fct>  <dbl>
## 1 0      0.301
## 2 1      0.438
## 3 2      0.176
## 4 3      0.301
## [1] 2.333333
## # A tibble: 4 x 2
##   p_navi  name
##   <fct>  <dbl>
## 1 0       2   
## 2 1       2.75
## 3 2       1.5 
## 4 3       2

Unabhängige Variable: Citybus an nächster Haltestelle?

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1  0.3617 0.5482
##       225
  1. Hypothesentests
##               Df Sum Sq Mean Sq F value Pr(>F)  
## test_citybus   1   0.99  0.9882   6.293 0.0128 *
## Residuals    225  35.33  0.1570                 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$test_citybus 
## 
##   0    
## 1 0.013
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   test_citybus  name
##   <fct>        <dbl>
## 1 0            0.523
## 2 1            0.301
## [1] 2.333333
## # A tibble: 2 x 2
##   test_citybus  name
##   <fct>        <dbl>
## 1 0             3.33
## 2 1             2

Unabhängige Variable: Regionalbus an nächster Haltestelle?

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1    0.19 0.6633
##       225
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value   Pr(>F)    
## test_regbus   1   2.72  2.7217   18.23 2.89e-05 ***
## Residuals   225  33.60  0.1493                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  Befragung$gleich_entf_fakt_lg and Befragung$test_regbus 
## 
##   0      
## 1 2.9e-05
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   test_regbus  name
##   <fct>       <dbl>
## 1 0           0.477
## 2 1           0.222
## [1] 2.333333
## # A tibble: 2 x 2
##   test_regbus  name
##   <fct>       <dbl>
## 1 0            3   
## 2 1            1.67

Unabhängige Variable: Bus (City-/Regionalbus) an nächster Haltestelle?

Die Variable “test_bus” wird eingeführt, da bei ÖU 2013/2014 auch nicht nach City- und Regionalbus unterschieden wurde. Danach werden die Variablen “test_regbus” und “test_citybus” zur Variable “test_bus” kombiniert.

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value Pr(>F)
## group   1    2.04 0.1546
##       225
  1. Hypothesentests
##              Df Sum Sq Mean Sq F value Pr(>F)
## test_bus      1   0.14  0.1414    0.88  0.349
## Residuals   225  36.18  0.1608               
## 12 observations deleted due to missingness
  1. Post-hoc-Tests
## 
##  Pairwise comparisons using t tests with pooled SD 
## 
## data:  test_busBoxplot$gleich_entf_fakt_lg and test_busBoxplot$test_bus 
## 
##   0
## 1 -
## 
## P value adjustment method: bonferroni

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   test_bus  name
##      <dbl> <dbl>
## 1        0 0    
## 2        1 0.383
## [1] 2.333333
## # A tibble: 2 x 2
##   test_bus  name
##      <dbl> <dbl>
## 1        0  1   
## 2        1  2.42

Unabhängige Variable: Badner Bahn (WLB) an nächster Haltestelle?

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value    Pr(>F)    
## group   1   11.68 0.0007496 ***
##       225                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Hypothesentests
## 
##  Welch Two Sample t-test
## 
## data:  gleich_entf_fakt_lg by test_wlb
## t = 8.1475, df = 196.24, p-value = 4.276e-14
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  0.2818725 0.4619069
## sample estimates:
## mean in group 0 mean in group 1 
##       0.4981356       0.1262460
  1. Post-hoc-Tests
## # A tibble: 1 x 8
##   .y.            group1 group2 estimate conf.low conf.high    p.adj p.adj.signif
## * <chr>          <chr>  <chr>     <dbl>    <dbl>     <dbl>    <dbl> <chr>       
## 1 gleich_entf_f~ 0      1        -0.372   -0.462    -0.282 6.29e-14 ****

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   test_wlb  name
##   <fct>    <dbl>
## 1 0        0.477
## 2 1        0
## [1] 2.333333
## # A tibble: 2 x 2
##   test_wlb  name
##   <fct>    <dbl>
## 1 0            3
## 2 1            1

Unabhängige Variable: Bahn (ÖBB) an nächster Haltestelle?

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value  Pr(>F)  
## group   1  4.9442 0.02717 *
##       225                  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Hypothesentests
## 
##  Welch Two Sample t-test
## 
## data:  gleich_entf_fakt_lg by test_zug
## t = 3.1218, df = 6.1893, p-value = 0.01971
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  0.05899682 0.47259318
## sample estimates:
## mean in group 0 mean in group 1 
##        0.382290        0.116495
  1. Post-hoc-Tests
## # A tibble: 1 x 8
##   .y.               group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr>             <chr>  <chr>     <dbl>    <dbl>     <dbl> <dbl> <chr>       
## 1 gleich_entf_fakt~ 0      1        -0.266   -0.473   -0.0590  0.02 *

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   test_zug  name
##   <fct>    <dbl>
## 1 0        0.398
## 2 1        0
## [1] 2.333333
## # A tibble: 2 x 2
##   test_zug  name
##   <fct>    <dbl>
## 1 0          2.5
## 2 1          1

Idente nächste Haltestelle?

Zunächst wird eine neue Variable eingeführt, bei der getestet wird, ob der angegebene Haltestellenname der nächstgelegenen Haltestelle mit der ermittelten Haltestelle übereinstimmt. - 0 … Nein, die Haltestellennamen stimmen nicht überein - 1 … Ja, die Haltestellennamen sind ident

Unabhängige Variable: Idente nächste Haltestelle?

Hypothesentest

  1. Bilden von Subsets und Histogrammen für jede Gruppe, um auf Normalverteilung zu prüfen

  1. Testen der Varianzhomogenität
## Levene's Test for Homogeneity of Variance (center = median)
##        Df F value    Pr(>F)    
## group   1  13.519 0.0002954 ***
##       225                      
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
  1. Hypothesentests
## 
##  Welch Two Sample t-test
## 
## data:  gleich_entf_fakt_lg by test_hst_nxste_gleich
## t = 9.2725, df = 225, p-value < 2.2e-16
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  0.3184039 0.4902588
## sample estimates:
## mean in group 0 mean in group 1 
##       0.5355722       0.1312408
  1. Post-hoc-Tests
## # A tibble: 1 x 8
##   .y.               group1 group2 estimate conf.low conf.high p.adj p.adj.signif
## * <chr>             <chr>  <chr>     <dbl>    <dbl>     <dbl> <dbl> <chr>       
## 1 gleich_entf_fakt~ 0      1        -0.404   -0.490    -0.318     0 ****

Graphische Darstellung

## `summarise()` ungrouping output (override with `.groups` argument)

Berechnen des Medians

## [1] 0.3679768
## # A tibble: 2 x 2
##   test_hst_nxste_gleich  name
##                   <dbl> <dbl>
## 1                     0 0.523
## 2                     1 0
## [1] 2.333333
## # A tibble: 2 x 2
##   test_hst_nxste_gleich  name
##                   <dbl> <dbl>
## 1                     0  3.33
## 2                     1  1

Idente nächste Haltestelle angegeben je nach Verkehrsmittelverfügbarkeit an ermittelter nächstgelegener Haltestelle

Zunächst werden Subsets für die einzelnen Haltestellenkategorien gebildet. Im Anschluss wird eine Häufigkeitstabelle pro Kategorie erzeugt. Alle Häufigkeitstabellen werden danach zu einer Tabelle zusammengefasst.

“Klassische” Auswertung

Bevölkerungsverteilungen

Es wird die Bevölkerungsstatistik vom 1.1.2020 nach Politischen Bezirken, Alter und Geschlecht der Statistik Austria herangezogen (www.statistik.at/web_de/statistiken/menschen_und_gesellschaft/bevoelkerung/bevoelkerungsstruktur/bevoelkerung_nach_alter_geschlecht/index.html) und es werden 5-Jahresklassen gebildet.

## 'data.frame':    36 obs. of  4 variables:
##  $ bezirk    : chr  "Baden" "Baden" "Baden" "Baden" ...
##  $ geschlecht: chr  "m" "m" "m" "m" ...
##  $ alter     : chr  "0-4" "5-9" "10-14" "15-19" ...
##  $ anzahl    : int  3400 3708 3715 3958 3838 4221 4475 4904 4665 5367 ...

Bevölkerungspyramide Bezirk Baden (Alter in 5-Jahresschritten)

Alterspyramide Befragung

Zunächst werden die entsprechenden Alterskategorien gebildet.

Nun wird die Alterspyramide erstellt.

Subsets für Geschlechter

Aufteilung auf die Befragungsstandorte nach Zu- oder Abgangsweg

Wegzwecke (Ausgangszweck, Zielzweck, Gesamt (wie bei ÖU 2013/2014))

Nutzung des ÖV-Angebots am Befragungsstandort, an der vermeintlich nächsten Haltestelle (inkl. Befragungsstandort) und an der nicht gewählten vermeintlich nächsten Haltestelle (exkl. Befragungsstandort) - jeweils nach Befragungsstandort

Verfügbare Verkehrsmittel an nächster Haltestelle laut Befragung vs. laut Ermittlung

Verfügbare Verkehrsmittel an Haltestelle laut Befragung vs. laut Ermittlung (Einfach-Mehrfachhaltestellen)

Attraktivität des Zu-/Abgangsweges nach Befragungsstandort

Attraktivität des Zugangsweges zum bzw. des Abgangweges vom Befragunggstandort.

Gründe für die Nichtnutzung der nächsten Haltestelle

Mehrfachnennungen waren möglich.

Gründe für (Un-)Attraktivität des Zu-/Abgangsweges

Mehrfachnennungen waren möglich.

Warum nicht den kürzesten Weg gewählt?

Mehrfachnennungen waren möglich.

Führerscheinbesitz

Mehrfachnennungen möglich

Verkehrsmittelverfügbarkeit

Mehrfachnennungen möglich

Beschäftigung

Es wird die Erwerbsstatistik der Stadt Baden hinzugefügt (https://www.statistik.at/blickgem/ae1/g30604.pdf):

Nun wird eine Häufigkeitstabelle erzeugt und geplottet.

Höchste abgeschlossene Ausbildung

Es wird die Ausbildungsstatistik des Bezirks Baden hinzugefügt (https://www.noe.gv.at/noe/Zahlen-Fakten/Schulabschluss_2018.xlsx - Gemeindegliederung nach https://www.noe.gv.at/noe/Baden/Gemeinden_im_Bezirk_Baden.html).

Nun wird eine Häufigkeitstabelle erzeugt und geplottet.

Verwendung von Navigationssystemen auf Fußwegen

Mehrfachnennungen möglich

Befragungen pro Stunde Standort Bahnhof Baden

Befragungen pro Stunde Standort Bahnhof vs. Infos vom VOR

Befragungen pro Stunde Standort Josefsplatz WLB

Befragungen pro Stunde Standort Josefsplatz Bus

Kürzester Weg (angegeben vs. ermittelt - als Diagramm)

Nächste Haltestelle (angegeben vs. ermittelt - als Diagramm)

Tabellen

Kürzester Weg (angegeben vs. ermittelt)

Befragung
Ermittlung
Kürzester Weg Zugang Abgang Gesamt Zugang Abgang Gesamt
Nein 12 15 27 31 25 56
Ja 120 87 207 100 76 176

Nächste Haltestelle (angegeben vs. ermittelt)

Befragung
Ermittlung
Gesamt
Nächstes Verkehrsmittel Citybus Regionalbus WLB Zug Citybus Regionalbus WLB Zug Idente nächste Haltestelle
Nein 31 37 51 176 61 92 158 228 141
Ja 196 190 176 51 173 142 76 6 91
Weiß nicht 9 9 9 9

Aufteilung der Befragungen auf die Buslinien im Vergleich mit dem Ergebnis der Fahrplananalyse

Es wird das Ergebnis der Bus-Fahrplananalyse hinzugefügt.

Zunächst werden Subsets gebildet, anschließend Häufigkeitstabellen erstellt und zum Schluss die Tabelle layoutiert.

Standort Baden bei Wien Bahnhof (ÖBB)
Befragung
Zählung
Absolute Zahlen
Prozentuelle Verteilung
Prozentuelle Verteilung
Ausgang Zugang Abgang Gesamt Zugang Abgang Gesamt Zugang Abgang Gesamt
1: Haupteingang 9 47 56 50% 78.33% 71.79% 68,64% 75,95% 72,88%
2: Felber 1 6 7 5.56% 10% 8.97% 16,42% 6,62% 10,73%
3: Rampe 2 2 3.33% 2.56% 1,88% 3,41% 2,77%
4: Hinterausgang 8 5 13 44.44% 8.33% 16.67% 13,06% 14,02% 13,62%
Summe 18 60 78 100.00% 100.00% 100.00% 100,00% 100,00% 100,00%

Aufteilung der Befragungen auf die Ausgänge bei der WLB-Haltestelle Josefsplatz im Vergleich zum Ergebnis der selber durchgeführten Zählung

Es wird das Ergebnis der Bus-Fahrplananalyse hinzugefügt.

Zunächst werden Subsets gebildet, anschließend Häufigkeitstabellen erstellt und zum Schluss die Tabelle layoutiert.

Bei der Zählung wurden Ausgang 22 und 23 zusammengefasst, da das Verbinden von Zellen nur mit zusätzlichem Aufwand in R durchgeführt werden kann, wird die Tabelle später manuell nachbearbeitet.

Standort Baden bei Wien Josefsplatz (WLB) - Zugang/Abgang über
Bahnsteig 1
Bahnsteig 2
11 12 13 Summe 1 21 22 23 24 Summe 2
Befragung
Anzahl 22 5 3 30 28 6 11 2 47
Prozentuell 73.33% 16.67% 10% 100.00% 59.57% 12.77% 23.4% 4.26% 100.00%
Zählung
Prozentuell 76,60% 8,51% 14,89% 100,00% 58,82% 35,29% 5,88% 100,00%

Aufteilung der Befragungen auf die Buslinien im Vergleich mit dem Ergebnis der Fahrplananalyse

Es wird das Ergebnis der Bus-Fahrplananalyse hinzugefügt.

Zunächst werden Subsets gebildet, anschließend Häufigkeitstabellen erstellt und zum Schluss die Tabelle layoutiert.

Standort Baden bei Wien Josefsplatz (Bus) - Buslinie
A B C 301 302 303 304 306 308 310 315 320
Befragung: Anzahl an Befragungen pro Buslinie und Richtung (6-21 Uhr)
Zum Bahnhof 11 0 3 2 1 1 1 1 3 1 6 7
Vom Bahnhof 0 2 2 13 2 0 0 6 10 0 9 3
Gesamt 11 2 5 15 3 1 1 7 13 1 15 10
Prozentuell 13.1% 2.38% 5.95% 17.86% 3.57% 1.19% 1.19% 8.33% 15.48% 1.19% 17.86% 11.9%
Fahrplananalyse: Anzahl an haltenden Bussen pro Buslinie und Richtung (6-21 Uhr)
Zum Bahnhof 25 0 23 18 2 2 4 11 37 6 23 18
Vom Bahnhof 0 22 23 21 5 2 4 9 36 0 19 16
Gesamt 25 22 46 39 7 4 8 20 73 6 42 34
Prozentuell 7,67% 6,75% 14,11% 11,96% 2,15% 1,23% 2,45% 6,13% 22,39% 1,84% 12,88% 10,43%